PENDUGAAN STATISTIK AREA KECIL MENGGUNAKAN MODEL BETA-BINOMIAL SLAMET ABADI

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENDUGAAN STATISTIK AREA KECIL MENGGUNAKAN MODEL BETA-BINOMIAL SLAMET ABADI"

Transkripsi

1 PENDUGAAN STATISTIK AREA KECIL MENGGUNAKAN MODEL BETA-BINOMIAL SLAMET ABADI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 0

2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dega saa meataka bahwa tess dega topk Pedugaa Statstk Area Kecl Megguaka Model Beta-Bomal adalah kara saa dega araha dar koms pembmbg da belum dajuka dalam betuk apa pu kepada pergurua tgg maa pu. Sumber formas ag berasal atau dkutp dar kara ag dterbtka maupu tdak dterbtka dar peuls la telah dsebutka dalam teks da dcatumka dalam Daftar Pustaka d baga akhr tess. Bogor Jul 0 Slamet Abad NRP G

3 ABSTRACT SLAMET ABADI. Estmato of Small Area Statstcs usg Beta-Bomal Model. Supervsed b HARI WIJAYANTO ad LA ODE ABDUL RAHMAN. Small area estmato s commol used to descrbe smaller doma or populato. Small Area Estmato s a mportat techque to estmate parameter of smaller doma borrowg stregth of populato parameter estmate through statstcs models wth radom effect. Ths research s focused modelg bar data small area estmato wth emprcal baes method. Ths method s applcable more geerall the sese of hadlg models for bar ad cout data. The Beta-bomal model ca be used to calculate the proporto of each small area ad ts varace. Ths model estmates the parameters of proporto usg mome Klema method of Beta-Bomal model ad the we also compare the MSE of drect estmato usg Naïve Jackkfe ad Bootstap methods. The result shaved that the MSE of drect estmato lower tha the drect estmato. Moreover the MSE of drect estmato usg Naïve Jackkfe ad Bootstap methods relatvel the same. Ths drect estmato usg Beta-Bomal model were appled to aalze the proporto of poor household Bekas dstrct. The result showed that Jakasampura Cketgudk Btara Jaa Jatluhur Ckwul Mustka Jaa ad Perwra ad could be categorzed as vllages havg more poor household. Ke words : Baes emprcal Beta-Bomal Klema Jackkfe Bootstrap.

4 RINGKASAN SLAMET ABADI. Pedugaa Statstk Area Kecl dega Megguaka Model Beta-Bomal. Dbmbg oleh HARI WIJAYANTO da LA ODE ABDUL RAHMAN. Suatu pedugaa utuk megkatka ukura cotoh da meuruka galat baku adalah pedugaa tak lagsug. Pedugaa memafaatka formas tambaha ag dperoleh dar area kecl la ag memlk karakterstk ag serupa. Meurut Rao (003) prosedur pedugaa area kecl pada dasara memafaatka formas dar area tu sedr area sektara atau bahka surve ag berbeda. Pedugaa area kecl bermafaat utuk meduga parameter area ag berukura cotoh kecl. Pada data ber model Beta-Bomal dapat dguaka utuk meduga parameter area kecl. Ada dua metode dalam pedugaa area kecl utuk data ber atu metode Baes emprk da Baes hrark. Peelta megguaka metode Baes emprk ag mampu meampug formas atar area da mereduks kuadrat tegah galat. Metode Baes emprk merupaka suatu metode pedugaa ag terdr dar fugs kepekata peluag pror fugs kepekata peluag posteror da fugs kepekata peluag margal. Salah satu model dalam metode Baes emprk ag dguaka adalah model beta-bomal karea model memeuh ketga fugs kepekata peluag tersebut. Model Beta-Bomal dguaka karea cocok utuk data ber. Peelta dlakuka utuk meduga propors rumah tagga msk setap keluraha d kota Bekas. Pedugaa dlakuka melalu metode peduga lagsug da tak lagsug megguaka metode Baes emprk utuk model Beta-Bomal dega megguaka peduga mome Klema. Selajuta dlakuka pembadga kuadrat tegah galat atara peduga lagsug da tak lagsug serta membadgka kuadrat tegah galat beberapa metode pada peduga tak lagsug sepert Nave Jackkfe da Bootstrap. Hasl peelta meujukka bahwa peduga tdak lagsug propors rumah tagga msk pada area kecl megguaka metode Baes emprk meghaslka dugaa ag lebh bak dbadgka dega peduga lagsug.

5 Hal dtujukka oleh dugaa MSE peduga Baes emprk ag jauh lebh kecl dbadg peduga lagsug. Ketga metode pedugaa MSE utuk dugaa propors rumah tagga msk meghaslka la ag relatf kecl da relatf sama. Dugaa total rumah tagga msk d kota Bekas ag dperoleh melalu metode pedugaa area kecl sebaak.08 % atau 47.5 rumah tagga. Kata kuc : Baes emprcal Beta-Bomal Klema Jackkfe Bootstrap..

6 Hak Cpta mlk IPB tahu 0 Hak cpta dldug udag-udag. Dlarag megutp sebaga atau seluruha kara tuls tapa mecatuka atau meebutka sumber a. Pegutpa haa utuk kepetga peddka peelta peulsa kara lmah peusua lapora peulsa krtk atau tjaua suatu masalah b. Pegutpa tdak merugka kepetga ag wajar IPB. Dlarag megumumka da memperbaak sebaga atau seluruh kara tuls dalam betuk apapu tapa z IPB

7 PENDUGAAN STATISTIK AREA KECIL MENGGUNAKAN MODEL BETA-BINOMIAL SLAMET ABADI Tess Sebaga salah satu sarat utuk memperoleh gelar Magster Sas pada Program Stud Statstka SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 0

8 Peguj Luar Koms pada Uja Tess: Dr. Ir. I Made Sumertajaa MS.

9 Judul Tess : Pedugaa Statstk Area Kecl Megguaka Model Beta-Bomal Nama Mahasswa : Slamet Abad Nomor Pokok : G Program Stud : Statstka Dsetuju Koms Pembmbg Dr. Ir. Har Wjaato M.S. Ketua La Ode Abdul Rahma S.S. M.S. Aggota Dketahu Ketua Program Stud Statska Deka Sekolah Pascasarjaa IPB Dr. Ir. Erfa M.S. Dr. Ir. Dahrul Sah M.Sc.Agr. Taggal Uja : 7 Jul 0 Taggal Lulus :

10 LEMBAR PERSEMBAHAN gxüv Çàt Almamater Kampus Isttut Pertaa Bogor gxü{éüåtà Bapak Tarmd da Ibu Marsud Rahaju (alm.) gxü~tá { Ister Ak Idrawat gxüátçtçz Adda Mara Dw Lestar Aada Naufal Dhaur Alam Putra Aada Irfa Dhaur Alam Putra Aada Asah Dhaur Alam Putr

11 PRAKATA Segala Puj bag Allah SWT. pemelhara sekala alam Yag Maha Bjaksaa Maha Luas Augerah-Na Maha Ilmu Maha Rahma Maha Pegash ag mecptaka mausa dalam betuk ag palg bak da sempura mejadka lagt da bum dega kekuasaa-na serta megatur semua urusa d dua da akhrat dega keadla da kebjaksaaa-na. Atas kehedak Na lah peuls dapat meelesaka Tess. Pada kesempata peuls meampaka rasa terma kash ag tak hgga kepada Bapak Dr. Ir. Har Wjaato MS. sebaga Ketua Koms Pembmbg ag telah baak memberka bmbga da megarahka peuls dalam bdag matematka maupu statstka da juga kepada Bapak La Ode Abdul Rahma S.S. M.S. sebaga Aggota Koms Pembmbg ag telah membmbg da memberka kemudaha-kemudaha kepada peuls. Peuls meampaka baak terma kash kepada Drje Peddka Tgg Departeme Peddka Nasoal Idoesa atas daa ag dberka lewat program Hbah Pascasarjaa tahu kerjasama Departeme Statstka IPB da Bada Pusat Statstk Jakarta serta Bapak Prof Dr. Ir. Kharl Awar Notodputro MS. selaku ketua peelt. Terma kash peuls kepada Ibu Dr. Ir. Erfa MS. Bapak Dr. Ir. Aj Ham Wgea M.Sc. Bapak Dr. Ir. Bud Suseto M.S. Bapak Dr. Ir. Kusma Sadk M.S. Dr. Aag Kura S.S. M.S. Ibu Ir. Idahwat M.S. Tak lupa Bapak Iksa Ibu Marsud Rahaju Alm. da Bapak Tarmd Ibu Happah adkku Mara Dw Lestar serta sterku Ak Idrawat da ketga aakku Naufal Irfa da Asah terma kash atas pegerta motvas da do aa. Terma kash peuls kepada Mbak Ksmat Mbak Ika Mas Epa Mbak Fa Frdaat ag memberka dskus da sara-sara. Tak lupa juga tema-tema seluruh reka mahasswa Program Stud Magster Statstka Isttut Pertaa Bogor agkata 004/005 ag turut memberka formas semagat keakraba da kebersamaaa dalam peusua Tess. Semoga semua kebaka da batuaa ag telah dberka kepada peuls medapat balasa atau mbala ag setmpal dar Allah SWT. Am. Semoga kara lmah bermafaat. Bogor Jul 0 Slamet Abad

12 RIWAYAT HIDUP Peuls dlahrka d Bauwag pada taggal Maret 966 dar aah Tarmd da bu Marsud Rahaju (alm.). Peuls merupaka putra pertama dar dua bersaudara. Peuls meelesaka Sekolah Dasar (SD) hgga SLTA d Bauwag. Tahu 985 peuls lulus dar SMAN Geteg Bauwag da pada tahu ag sama lulus seleks Spemaru Uvestas Gadjah Mada (UGM) Yogakarta pada Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam (FMIPA). Pada tahu 004 peuls memperoleh kesempata utuk melajutka ke Program Stud Magster Statstka Sekolah Pascasarjaa Isttut Pertaa Bogor. Beasswa peddka pascasarjaa dperoleh dar Drektorat Jedral Peddka Tgg. Peuls bekerja sebaga staf pegajar d Sekolah Tgg Maajeme Iformatka da Komputer (STMIK) Ba Saleh Bekas sejak tahu 996 hgga sekarag.

13 DAFTAR ISI Halama DAFTAR TABEL... DAFTAR GAMBAR.. DAFTAR LAMPIRAN... PENDAHULUAN xv xv xv Latar Belakag Tujua Peelta... 3 TINJAUAN PUSTAKA Kosep Dasar Pedugaa Area Kecl... 4 Metode Baes da Baes Emprk... 5 Gars Kemska... 6 Model Beta-Bomal... 6 Pedugaa MSE dega Metode Jackkfe... 8 Pedugaa MSE dega Metode Bootstrap... 9 METODOLOGI PENELITIAN Sumber Data... 0 Metode Aalss... 0 HASIL DAN PEMBAHASAN Data Pegeluara Per Kapta... 4 Dugaa Propors Rumah Tagga Msk... 6 Dugaa MSE Propors Rumah Tagga Msk... 8 SIMPULAN DAN SARAN Smpula. Sara... DAFTAR PUSTAKA. LAMPIRAN 5

14 DAFTAR TABEL Halama Ukura Parameter Pegeluara Kecamata da kota Bekas 5 Daftar Jumlah Rumah Tagga Aggota Rumah Tagga Cotoh da Rumah Tagga Msk kota Bekas 3 Keluraha dega propors rumah tagga msk lebh dar 0 % d kota Bekas 6 8

15 DAFTAR GAMBAR Halama. Peta Peebara Rumah Tagga d 56 keluraha kota Bekas 4. Peta Peebara Rumah Tagga Msk dega propors lebh dar 7 0 % d kota Bekas. 3 Dugaa MSE Propors Rumah Tagga Msk d kota Bekas 9 dega dugaa lagsug Nave Jackkfe da Bootstrap. 4 Dugaa MSE Propors Rumah Tagga Msk d kota Bekas dega dugaa Nave Jackkfe da Bootstrap. 0

16 DAFTAR LAMPIRAN Halama. Sfat-sfat Sebara Beta-Bomal Program perhtuga da dega metode 3 mome Hasl perhtuga da dega metode Klema Program perhtuga peduga Baes peduga emprcal Baes da 35 ragam posteror dega metode Mome 5. Programa SAS utuk perhtuga peduga jackkfe Hasl perhtuga Dugaa propors Rumah Tagga Msk d kota Bekas... 7 Hasl perhtuga ragam dega metode lagsug Baes emperk Jackkfe da Bootstrap

17 PENDAHULUAN Latar Belakag Pada era otoom daerah kebutuha lmu statstka semak drasaka serg dega megkata kebutuha pemertah da para peggua statstk terhadap formas ag lebh rc cepat da hadal. Iformas tdak saja utuk ruag lgkup asoal tetap juga ruag lgkup ag lebh kecl atu kabupate/kota kecamata atau keluraha/desa. Basaa statstk dperoleh dar suatu surve ag dracag utuk memperoleh statstk asoal. Arta surve semacam dracag utuk feresa bag daerah (doma) ag luas. Persoala mucul ketka dar surve sepert g dperoleh formas utuk area ag lebh kecl msala formas pada level props kabupate bahka mugk level kecamata atau desa/keluraha. Dalam surve area ag dmaksud mugk saja drepresetaska oleh objek surve ag jumlaha sagat kecl sehgga aalss ag ddasarka haa pada objek-objek tersebut mejad sagat tdak dapat dadalka. Utuk megatas hal dperluka metode pedugaa ag meggabugka atara formas d dalam area ag dmaksud dega formas d luar area tersebut. Pedugaa area kecl (small area estmato) merupaka suatu tekk statstka utuk meduga parameter-parameter subpopulas ag ukura cotoha kecl. Tekk pedugaa memafaatka data dar doma besar sepert data sesus atau data surve sosal ekoom asoal utuk meduga peubah ag mejad perhata pada doma ag lebh kecl. Pedugaa area kecl ag ddasarka pada peerapa model racaga pearka cotoh (desg-based) dsebut sebaga peduga lagsug (drect estmato). Pedugaa tdak mampu memberka ketelta ag cukup bla ukura cotoh kecl sehgga statstk ag dperoleh aka memlk ragam ag besar atau bahka pedugaa tdak dapat dlakuka karea tdak terwakl dalam surve. Oleh karea tu dkembagka tekk pedugaa alteratf utuk megkatka keefektfa ukura cotoh da meuruka galat baku ak pedugaa tak lagsug (drect estmato). Pedugaa tak lagsug bersfat

18 memjam kekuata dar pegamata cotoh area ag berdekata dega memafaatka formas tambaha ak dar sesus da catata admstratf (Rao003) Pada pedugaa tak lagsug terdapat dua model peghubug ag dguaka utuk meghubugka area kecl dega area laa atu model peghubug mplst da model peghubug eksplst. Pedugaa tak lagsug ag megguaka model peghubug mplst adalah pedugaa ag ddasarka oleh racaga pearka cotoh. Peduga ag dhaslka mempua ragam ag basaa relatf kecl dbadgka ragam peduga lagsug. Ada tga metode dalam pedugaa tak lagsug dega model peghubug mplst atu stetk kompost da James-Ste. Model peghubug eksplst adalah suatu model ag memasukka pegaruh acak area kecl utuk medapatka keragama atar area da juga adaa peubah peerta dalam model tersebut ag selajuta dkeal sebaga model area kecl. Peduga ag dperoleh dar model area kecl tersebut adalah predks tak bas ler terbak emprk (Empercal Best Lear Ubased Predcto EBLUP) Baes emprk (Emprcal Baes EB) da Baes hrark (Herarchcal HB). Metode EBLUP dracag utuk peubah kotu da tdak cocok utuk data ber atau cacaha. Utuk data ber atau cacaha dguaka metode EB da HB dalam melakuka pedugaa area kecl. Peelta memusatka perhata pada pedugaa propors rumah tagga msk setap keluraha d kota Bekas. Masalah mejad sagat petg utuk terus mejad kaja karea tgga kebutuha pemertah khususa pemertah daerah dalam peusua pemataua da perecaaa kebjaka dalam pegetasa kemska tapa harus megeluarka baa besar utuk melakuka surve sedr. Dega demka secara asoal aka cukup baak baa ag bsa dhemat sehgga dapat dalokaska utuk pembaaa pembagua laa.

19 3 Tujua Peelta Tujua peelta adalah sebaga berkut : a. Megkaj pegguaa metode Baes emprk megguaka model betabomal pada pedugaa stststk area kecl. b. Meerapka metode Baes emprk utuk meduga propors rumah tagga msk pada 56 keluraha d kota Bekas.

20 4 TINJAUAN PUSTAKA Kosep Dasar Pedugaa Area Kecl Secara umum metode pedugaa area kecl dbag mejad dua baga atu metode peduga lagsug (drect estmato) da metode peduga tak lagsug (drect estmato). Metode-metode pedugaa selama ag serg kta guaka adalah metode pedugaa lagsug. Pedugaa lagsug merupaka pedugaa ag ddasarka pada desa pearka cotoh. Dalam kasus pedugaa area kecl peduga lagsug bag parameter pada area kecl ag mejad perhata relatf aka meghaslka galat baku ag besar karea masalah jumlah cotoh. Suatu pedekata tdak lagsug mampu megkatka efektftas ukura cotoh ag kecl. Pada pedugaa tak lagsug terdapat dua model peghubug ag dguaka utuk meghubugka area kecl dega area kecl laa atu model peghubug mplst da eksplst. Peduga tak lagsug dega megguaka model peghubug mplst adalah model ag ddasarka pada desa pearka cotoh (desg based). Peduga ag dhaslka mempua ragam desa ag relatf kecl dbadgka dega ragam desa dar peduga lagsug. Model peghubug mplst mempua tga metode atu metode stetk kompost da James- Ste. Metode stetk adalah merupaka suatu metode dar peduga lagsug utuk area besar ag memlk galat baku kecl dguaka utuk memperoleh peduga tak lagsug utuk area kecl tertetu. Metode megasumska bahwa area kecl tersebut memlk karaterstk ag sama dega area besar. Metode kompost merupaka rata-rata terbobot dar peduga lagsug da peduga tak lagsug. Metode James-Ste adalah peduga kompost ag megguaka pembobot umum dega memmumka jumlah kuadrat galat. Model peghubug eksplst adalah model ag ddasarka pada pegaruh acak area kecl utuk medapatka keragama atar area da formas peubah peerta ag selajuta dkeal dega model area kecl. Meurut Rao (005) peubah peerta ag bak adalah peubah ag berhubuga erat dega peubah ag mejad perhata da berasal dar data sesus atau data admstratf.

21 5 Peduga ag dperoleh dar model area kecl adalah peduga predks tak bas ler terbak emprk (Empercal Best Lear Ubased Predcto EBLUP) Baes emprk (Emprcal Baes EB) da Baes hrark (Herarchcal HB) Metode Baes da Baes Emprk Metode Baes ag dtemuka oleh Thomas Baes da kemuda dkembagka oleh Rchard Prce (763) dua tahu setelah wafata Baes kemuda Laplace pada tahu 774 da 78 ag memberka aalss secara rc merupaka metode ag lebh bak utuk statstk Baes sekarag (Gll 00). Model statstk Baes merupaka perpadua atara sebara pror da posteror atu jka dmsalka dega sebara percotoha f ( x ) sebara pror π f ( x ) π x m( x) ~ dketahu maka sebara posteror dar adalah f ( x ) π m( x) dega m ( x) f ( x ) π X ~ da d Suatu sebara pror damaka kojugate bla meghaslka sebara posteror ag sama dega dra. Sebara ag mash dalam keluarga ekspoesal mempua pror kojugate. Sepert sebara Posso memlk pror kojugate Gamma da sebara Bomal memlk pror kojugate Beta. Metode Baes emprk merupaka suatu metode ag megguaka data pegamata utuk meduga parameter pror. Pertama kal model dperkealka oleh Fa-Herrot (970) utuk meduga rata-rata pedapata area kecl d Amerka Serkat. Metode sesua utuk meaga data-data ber da cacaha pada pedugaa area kecl. Pedekata Baes Emprk dalam pedugaa area kecl mempua cr-cr sebaga berkut : a. Memperoleh fugs kepekata posteror dar parameter area kecl ag teramat b. Pedugaa parameter model dar fugs kepekata margal c. Megguaka pedugaa fugs kepekata posteror utuk membuat feres parameter area kecl.

22 6 Gars Kemska Suatu rumah tagga rumah dkategorka sebaga rumah tagga msk jka pegeluara makaa da buka makaa utuk per kapta rumah tagga tersebut lebh kecl dar gars kemska ag dtetapka. Meurut Berta Resm Statstk (006) batas Gars Kemska (povert le) peduduk Idoesa pada tahu 005 adalah Rp per kapta per bula. Meurut BPS kota Bekas batas Gars Kemska kota Bekas pada tahu 005 adalah sebesar Rp per kapta per bula. Model Beta-Bomal Model merupaka suatu model ag berawal dar model Beroull dega model peluag utuk data ber ag dataka dega j da j... ; j... m. d ~ dega model dasar: d ~ Beroull( ) atau Bomal( ) d ~ Beta( ) > 0 > 0 dega Beta( ) meataka sebara Beta dega parameter da serta fugs kepekata utuk da (). f ( ) adalah ( ) ( ) ( ) adalah fugs gamma. ( ) > 0 > 0 j Utuk meederhaaka (... ) T j mejad total cotoh merupaka statstk cukup mmal utuk model tahap pertama. Dketahu bahwa sebaga berkut : d ~ Bomal( ) ag mempua fugs kepekata f ( ) ( )

23 7 Berdasarka persamaa fugs kepekata da fugs kepekata maka ) ( ~ d Beta Oleh karea tu peduga Baes bag adalah B E da ragam posteror bag adalah: V Sebara peghubug f damaka pror kojugate pada sebara posteror ( f ) mempua betuk ag sama dega sebara prora. Dar sebara peghubug tersebut maka dguaka model ag serg dsebut model Beta-Bomal dega sebara peluag margal: B B f Utuk meduga parameter da dguaka dega metode mome Klema: da ( [ ] ) T T T m m s / dega rataa cotoh berbobot T ragam cotoh terbobot T s da T. Ekspres utuk dugaa parameter da dataka dega rumus berkut da dperoleh:

24 8 [ ] / m s m T T T da [ ] / s m m T T T d maa da dugaa parameter sebarab Beta-Bomal Pesubsttusa parameter da dar metode mome Klema ke peduga EB bag dperoleh EB γ γ B EB dega λ da merupaka rataa berbobot dar peduga lagsug da peduga stetk (Rao 003). EB Pedugaa MSE dega Metode Jackkfe Meurut Rao (003) peetua peduga ragam (kuadrat tegah galat) dega metode Jackkfe utuk peduga EB adalah B B EB EB J M M E E MSE dega [ ] m l l l g g m m g M [ ] m l EB EB l m m M dmaa EB k merupaka peduga Baes bag da l l l EB l k merupaka peduga Baes bag l. Parameter l da adalah peduga utuk area kecl ke-l ag dhapus. l

25 9 Pedugaa MSE dega Metode Bootstrap Peduga bootstrap utuk kepekata peluag fugs dataka dega j j... ; * * * * (... ) j j mj...m. Ukura sampel bootstrap m ddefska dega merupaka hasl dar resamplg sampel j. Meurut Butar da Lahr (003) peetua peduga ragam (kuadrat tegah galat) dega metode Bootstrap utuk peduga EB adalah d maa da ^ EB MSE B M B M B B ( σ ) g ( σ ( b) ) M B g v B b dega g ( σ ) v ( ( b) ) v merupaka peduga ragam propors Baes emprk da B g v b σ merupaka peduga ragam propors Baes emprk hasl resamplg bootstrap sebaak B kal. { EB EB } b B M B B b b EB dega EB merupaka peduga propors baes emprk da merupaka peduga propors Baes emprk hasl resamplg bootstrap sebaak B kal.

26 0 METODOLOGI PENELITIAN Sumber Data Data ag dguaka dalam peelta adalah data pegeluara per kapta kota Bekas tahu 005 ag dperoleh dar Surve Sosal Ekoom Nasoal (Suseas) da Pedataa Potes Desa/Keluraha (Podes) tahu 005. Data tersebut dperoleh dar Bada Pusat Statstk (BPS). Peubah respo ag mejad perhata adalah propors rumah tagga msk ag ddekat dar pegeluara per kapta rumah tagga. Suatu rumah tagga dkataka msk jka pegeluara per kapta rumah tagga tersebut berada d bawah gars kemska. Metode Aalss Peerapa pedugaa area kecl berbass model beta-bomal dlakuka melalu tahapa sebaga berkut:. Meghtug dugaa lagsug propors da ragam propors rumah tagga msk masg-masg keluraha d kota Bekas dega formula: da ( ) Var d maa jumlah rumah tagga msk keluraha ke- jumlah rumah tagga keluraha ke- dugaa lagsug propors rumah tagga msk keluraha ke-. Meghtug propors da ragam propors rumah tagga msk d kota Bekas megguaka rataa da ragam terbobot dega da s ( ) T T d maa rataa terbobot kota Bekas

27 T T s ragam terbobot kota Bekas 3. Meduga parameter sebara beta-bomal da dega metode mome Klema megguaka rataa da ragam cotoh terbobot dar persamaa da [ ] T T T m m s / da dperoleh: [ ] / m s m T T T da [ ] / s m m T T T d maa da dugaa parameter sebarab Beta-Bomal 4. Melakuka pedugaa Baes emprk propors rumah tagga msk ( EB ) masg-masg keluraha d kota Bekas megguaka formula γ γ B EB d maa λ dugaa lagsug propors rumah tagga msk keluraha ke-. dugaa lagsug propors rumah tagga msk d kota Bekas 5. Meghtug kuadrat tegah galat (MSE) dar peduga Baes emprk megguaka metode Nave Jackkfe da Bootstrap dega tahapa sebaga berkut: a. Metode Nave

28 Metode megguaka formula ragam posteror bag V ( )( ) ( )( ) sebaga berkut b. Metode Jackkfe Proses perhtuga MSE megguaka metode Jackkfe adalah sebaga berkut: o Htug la M dega formula: M g m m ( ) [ g ( ) g ( )] l l l d maa g merupaka ragam posteror ( ) l l m g merupaka ragam posteror ag dperoleh dega meghapus pegamata ke-l. o Htug M dega formula: [ EB EB ] m m M l m l d maa EB adalah peduga propors Baes emprk EB l adalah peduga propors Baes emprk ag dperoleh dega meghapus pegamata ke-l. EB Htug J ( ) ( EB J ) M M MSE dega formula: MSE

29 3 c. Metode Bootstrap o Meghtug peduga ragam propors Baes emprk peduga ragam propors Baes emprk g σ ( b) bootstrap sebaak B kal. o Meghtug M B B b megguaka persamaa B ( σ ) g ( σ ( b) ) M B g v B b v g σ da v hasl resamplg v o Meghtug peduga propors baes emprk EB da peduga EB propors Baes emprk ( b) hasl resamplg bootstrap o Meghtug megguaka persamaa M B { EB EB } b B M B B b EB o Meghtug kuadrat tegah galat persamaa MSE B ( ) M B M B EB MSE dega megguaka B 6. Membadgka kuadrat tegah galat dar peduga lagsug dega peduga Baes emprk. 7. Membadgka kuadrat tegah galat dar peduga Baes emprk atara metode Nave Jackkfe da Bootstrap.

30 4 HASIL DAN PEMBAHASAN Data Pegeluara Per Kapta Berdasarka data dar Das Kepeduduka da Catata Spl Kota Bekas bahwa jumlah rumah tagga sebaak dega jumlah aggota rumah tagga sebaak jwa. Rumah tagga tersebut meebar pada kecamata dega 56 keluraha kota Bekas sepert dsajka pada Gambar. Gambar Peta Peebara Rumah Tagga d 56 keluraha kota Bekas.

31 5 Berdasarka Tabel secara umum rata-rata pegeluara rumah tagga utuk semua keluraha d kota Bekas sebesar Rp per kapta per bula dega per kapta pegeluara mmum sebesar Rp per kapta per bula da maksmum sebesar Rp per kapta per bula serta smpaga baku dar pegeluara sebesar Rp Tabel Ukura Parameter Pegeluara Kecamata da kota Bekas No Kecamata Mmum Mea Maksmum STANDAR DEV. PONDOK GEDE JATISAMPURNA JATIASIH BANTARGEBANG BEKASI TIMUR RAWALUMBU BEKASI SELATAN BEKASI BARAT MEDAN SATRIA BEKASI UTARA PONDOK MELATI MUSTIKA JAYA KOTA BEKASI Data berdasarka Suseas BPS kota Bekas Pegeluara per kapta terbesar terdapat d kecamata Bekas Selata sebesar Rp da rataa pegeluara terkecl terdapat d kecamata Batar Gebag sebesar Rp Bla pegeluara rumah tagga per kapta per bula d kota Bekas dkatka dega gars kemskaa sebesar Rp maka aka dperoleh sejumlah rumah tagga msk ag tersaj dalam Tabel. Secara umum kecamata ag mempua cotoh rumah tagga msk terbaak pada kecamata Bekas Barat (37 rumah tagga) da rumah tagga msk palg sedkt pada kecamata Bekas Tmur ( rumah tagga).

32 6 Tabel Daftar Jumlah Rumah Tagga Aggota Rumah Tagga Cotoh da Rumah Tagga Msk kota Bekas No Nama Jumlah Kec. Kecamata Rumah Tagga Aggota Rumah Tagga Cotoh Rumah Tagga Msk PONDOK GEDE JATI SAMPURNA PONDOK MELATI JATI ASIH 5 BANTAR GEBANG MUSTIKA JAYA BEKASI TIMUR RAWA LUMBU BEKASI SELATAN BEKASI BARAT MEDAN SATRIA BEKA SI UTARA JUMLAH Data berdasarka Das Kepeduduka da Catata Spl Suseas da Podes BPS kota Bekas Dugaa Propors Rumah Tagga Msk Pada peelta terdapat tga peduga propors ag dguaka dalam meduga propors rumah tagga msk ak dega peduga lagsug peduga stetk da peduga EB dar model Beta-Bomal. Peduga lagsug merupaka peduga ag dperoleh dar baaka rumah tagga msk per jumlah cotoh ag dperoleh dar surve. Peduga stetk merupaka rata-rata terbobot dar setap peduga lagsug masg-masg keluraha sedagka peduga EB merupaka peduga ag dhtug berdasarka peduga lagsug da peduga stetk dega pembobot ag dperoleh dar metode Beta-Bomal. Dugaa propors pada setap keluraha utuk masg-masg metode dsajka pada lampra 6. Berdasarka hasl peduga propors rumah tagga msk masg-masg keluraha d kota Bekas dperoleh 8 keluraha ag memlk rumah tagga msk lebh dar 0 % sepert ag dsajka pada Gambar da Tabel 3.

33 Gambar Peta Peebara Rumah Tagga Msk dega propors lebh dar 0 % d kota Bekas. 7

34 8 Tabel 3 Keluraha dega propors rumah tagga msk lebh dar 0 % d kota Bekas No Nama Peduga- Kel. Keluraha Lagsug Stetk EB JATIMAKMUR JATIBENING JATIRANGGA JATIMURNI JATILUHUR CIKETINGUDIK CIKIWUL BANTARGEBANG CIMUNING MUSTIKAJAYA BOJONG MENTENG SEPANJANG JAYA BINTARA JAYA KRANJI KOTA BARU JAKA SAMPURNA MEDAN SATRIA PERWIRA Dugaa MSE Propors Rumah Tagga Msk Dar Gambar 3 terlhat bahwa dega MSE peduga EB jauh lebh kecl dbadgka dega MSE Peduga lagsug. Hal meujukka bahwa peduga propors area kecl megguaka model Beta-Bomal lebh akurat jka dbadgka peduga lagsug.

35 Gambar 3 Dugaa MSE Propors Rumah Tagga Msk d kota Bekas dega dugaa lagsug Nave Jackkfe da Bootstrap. 9

36 0 Semetara tu dar 3 metode peduga MSE utuk model area kecl bak metode Nave ag berdasarka pada posteror maupu Jackkfe da Bootstrap meghaslka dugaa MSE ag relatf kecl da relatf sama. Hal dtujukka pada Gambar 4 d maa terlhat ketga plot MSE tersebut relatf berhmpt. Gambar 4 Dugaa MSE Propors Rumah Tagga Msk d kota Bekas dega dugaa Nave Jackkfe da Bootstrap.

37 SIMPULAN DAN SARAN Smpula. Peduga tdak lagsug propors rumah tagga msk pada area kecl megguaka metode Baes emprk meghaslka dugaa ag lebh bak dbadgka dega peduga lagsug. Hal dtujukka oleh dugaa MSE peduga Baes emprk ag jauh lebh kecl dbadg peduga lagsug.. Ketga metode pedugaa MSE utuk dugaa propors rumah tagga msk meghaslka la ag relatf kecl da relatf sama. 3. Dugaa total rumah tagga msk d kota Bekas ag dperoleh melalu metode pedugaa area kecl sebaak.08 % atau 47.5 rumah tagga. Sara Peelta megguaka model Beta-Bomal tapa peubah peerta. Utuk lebh megkatka keakurata pedugaa dsaraka memasukka peubah peerta dalam model Beta-Bomal.

38 DAFTAR PUSTAKA Agrest A. (00). Categorcal Data Aalss New Jerse : Joh Wle ad Sos. Agrest A. Da Htchock DB. (..) Baesa ferece for categorcal data aalss : a surve. [terhubug berkala] [5 Nopember 006]. [BKCSKB] Bada Koordas Catata Spl da Keluarga Berecaa Data Keluarga Pra S da KS I Alasa Ekoom (007) Kota Bekas [BPS] Bada Pusat Statstk (003) SUSENAS (Surve Sosal Ekoom Nasoal) 003 Pedoma Pecacah Kor Jakarta Idoesa [BPS] Bada Pusat Statstk (005) PODES SE006 Pedoma Pecacah Jakarta Idoesa [BPS] Bada Pusat Statstk (006) Tgkat Kemska d Idoesa Tahu Berta Resm Statstk No 47/X/ September 006 Jakarta Idoesa Carl BP. da Lous TA. (000). Baes ad emprcal Baes methods for data aalss. New York : Chapma & Hall. Datta GS. da Lahr P. (000) A ufed measure of ucertat of estmated best lear ubased predctors small area estmato problems Statstca Sca Farrel PJ. (997). Emprcal Baes Estmato of small area proportos based o ordal outcome varables. Surve Methodolog Gll J. (00). Baesa methods : a socal ad behavoral sceces approach. Boca Rato : Chapma & Hall. Gosh M. da Rao JNK. (994) Small Area Estmato : A Apprasal Statstcal Sceces Vol. 9 No Ksmat (007). Pedugaa Statstk Area Kecl Berbass Model Posso- Gamma Sekolah Pascasarjaa Isttut Pertaa Bogor.

39 3 Kura A. da Notodputro KA. (005a) Geeral Lear Mxed Model pada Small Area Estmato Makalah dsampaka pada Semar Nasoal Matematka UI Depok 30 Jul 005. Kura A. da Notodpuro KA. (005b) Aplkas Metode Baes pada Small Area Estmato Makalah dsampaka pada Semar Nasoal Statstka VII ITS Surabaa 6 November 005. Rahma LOA. (008) Aplkas Bootstrap Parameter pada Pedugaa Selag Predks Statstk Area Kecl Sekolah Pascasarjaa Isttut Pertaa Bogor. Lev PS. da Lemeshow S. (999) Samplg of Populato Methods ad Applcatos New York : Joh Wle ad Sos Ic. Thrd Edtos. Logford NT. (005) Mssg Data ad Small-Area Estmato Moder Aaltcal Equpmet for the Surve Statstca Sprger SceceBusess Meda Ic. MacGbbo B. da Tomberl TJ. (989). Small area estmates of proportos va emprcal Baes techques. Surve Methodolog Prasad NGN da Rao JNK. (990) The Estmato of Mea Squared Errors of Small Area Estmato Joural of Amerca Statstcal Assocato Rao JNK. (999) Some Recet Advaces Model-Based Small Area Estmato Surve Methodolog Vol Statstca Caada. Rao JNK. (003) Small Area Estmato New York : Joh Wle ad Sos. Sae A. da Chambers R. (003) Small Area Estmato Uder Lear ad Geeralzed Lear Models Wth Tme ad Area Effects S3RI Methodolog Workg Paper Southampto Statstcal Sceces Research Isttute Uverst of Southampto. Sae A. da Chambers R. (003) Small Area Estmato : A Revew of Methods Based o the Applcato of Mxed Models S3RI Methodolog Workg Paper Southampto Statstcal Sceces Research Isttute Uverst of Southampto.

40 4 SAS (993) SAS /IML Software : Usage ad Referece Verso 6 Frst Edto SAS Isttute Ic. Car NC USA. Scheaffer RL. Medehall W. da Ott L. (990) Elemetar Surve Samplg Bosto PWS-KENT Publshg Compa edto 4 th. Cochra WG. (99) Tekk Pearka Sampel Peerbt Uverstas Idoesa UI Press Eds Ketga. Wag J. da Fuller WA. Small Area Estmato Uder a Restrcto o Surve Research Methods

41 L A M P I R A N

42 Lampra 6 Lampra : Sfat-sfat Sebara Beta-Bomal.. Fugs Peluag msalka Meurut Cassela da Berger (990) suatu fugs dar peubah Y f dsebut sebaga fugs kepekata peluag atau fugs massa peluag apabla memeuh beberapa sarat berkut : a. f > 0 R b. f jka dskrt atau f R jka kotu. c. P ( Y A) f jka dskrt atau ( Y A) f A R P d jka kotu Model beta-bomal adalah model utuk data cacaha model megalam overdspers. Model merupaka suatu model ag berawal dar model Beroull dega model peluag utuk data cacaha ag dataka dega j... ;... m. j A Tahap pertama : j d ~ d ~ Beroull( ) atau Bomal( ) Peubah acak ag damat adalah (... ) T j j mejad total cotoh merupaka statstk cukup mmal utuk model tahap pertama. Dketahu bahwa dstrbus samplg ~ Bomal( ) ag mempua fugs kepadata sebaga berkut : f ( ) ( ) () Tahap kedua : d ~ Beta( ) > 0 > 0 dega Beta( ) meataka dstrbus beta dega parameter da serta fugs kepadata (dstrbus pror) utuk adalah ( ) ( ) ( ) f ( ) ( ) > 0 > 0 () d

43 Lampra 7 Lajuta da adalah fugs gamma. (). Dar persamaa () da () dperoleh fugs kepadata posteror berkut : π π m f m f (3) dega fugs kepadata margal ( ) π d f m (4) serta fugs peluag dar persamaa d atas dapat dataka dega betuk sebaga berkut : [ ]( [ ] [ ] ) B h h h h h h B f (5) Meurut Wllams (975) pedugaa parameter utuk da adalah μ j E da λ (6)

44 Lampra 8 Lajuta da berdasarka parameter ag dkemukaka oleh Grffth (973) maka persamaa (5) dapat dtuls fugs sebaga berkut : ( ) h h h h h h f λ λ μ λ μ (7).. Rataa da Ragam Sebara Beta-Bomal Salah satu geeralsas percobaa Beroull adalah utuk meetuka peluag sukses ag bervaras dar percobaa ke percobaa. Model stadar utuk model sepert pada tahap pertama peubah acak ag damat mejad total cotoh ( T... ) j j. Rataa ag dbetuk adalah : [ ] j j j j j j j j E E E E E E (8) Selajuta aka dselesaka E atu d d d E

45 Lampra 9 Lajuta atau E (9) Perhtuga utuk memperoleh la E dega meetuka utuk maka dperoleh E (0) da utuk V dega mugguaka rumus [ ] E E V () \ Utuk dperoleh E () Kemuda dar (0) () da () dperoleh

46 Lampra 30 Lajuta [ ] ( ) ( [ ] ) E E V (3) secara rgkas dperoleh rumus peduga baes da ragam posteror bag adalah B E (4) da V (5).3. Peurua Peduga Emprcal Baes Peduga emprcal baes dapat dperoleh dar rumus (5) da hasl rumus pada peduga mome Klema (973) aka tetap dalam proses peuruaa megguaka peduga emprsa. Dar (5) da dapat dturuka rumus peduga emprcal baes sebaga berkut :

47 Lampra 3 Lajuta γ γ B EB (6) dega γ ehgga dperoleh peduga emprcal baes s adalah γ γ B EB (7)

48 Lampra 3 Lampra : Program perhtuga da dega metode mome proc ml; optos ps50; /* pembacaa data dar fle podesbks */ load _all_; use podesbks; read all; NM(NO); (); (); prt 'DATA AWAL CONTOH DAN KELUARGA PRASEJAHTERA'; prt m ; /* pedugaa metode mome Klema 973 */ T[]; p/; w/t; mrow(); /* mea cotoh berbobot */ pbw#p; p_hatp[]; /* ragam cotoh berbobot */ spw#(p-p_hat)##;. sum_spsp[]; prt 'PERHITUNGAN PI PI BERBOBOT DAN SP'; prt m p pb sp ; prt 'MEAN DAN RAGAM CONTOH BERBOBOT'; prt p_hat sum_sp ; /* perhtuga mome Klema */ (##)/T; sum_t[]; k(t#sum_sp)-p_hat*(-p_hat)*(m-); kp_hat*(-p_hat)*(t-sum_t-(m-)); kk/k;

49 Lampra 33 Lajuta /* la alpha da beta */ alphap_hat*(-k)/k; betaalpha*(/p_hat-); prt 'NILAI ALPHA BETA'; prt alpha beta; ed;

50 Lampra 34 Lampra 3 : Hasl perhtuga da dega metode Klema NILAI ALPHA_HAT BETA_HAT

51 Lampra 35 Lampra 4 : Program perhtuga peduga Baes peduga emprcal Baes da ragam posteror dega metode Mome proc ml; optos ps50; /* pembacaa data dar fle podesbks */ load _all_; use podesbks; read all; NM(NO); (); (); /* perhtuga pedugaa metode mome Klema 973 */ T[]; p/; w/t; mrow(); /* mea cotoh berbobot */ pw#p; p_hatp[]; /* ragam cotoh berbobot */ spw#(p-p_hat)##; sum_spsp[]; z(p-p_hat)##; (##)/T; sum_t[]; /* pedugaa mome Klema */ k(t#sum_sp)-p_hat*(-p_hat)*(m-); kp_hat*(-p_hat)*(t-sum_t-(m-)); kk/k; alphap_hat*(-k)/k; betaalpha*(/p_hat-); /* peduga baes da ragam posteror bag p */ k(alpha)#(-beta); k(alphabeta)#(alphabeta)##; p_hat_eb(alpha)/(alphabeta); var_p_hat_ebk/k; /* peduga emprcal baes bag p */

52 Lampra 36 Lajuta gamma/(alphabeta); p_hat_ebgamma#p(-gamma)#p_hat; /* hasl peduga baes peduga emprcal baes da ragam posteror */ prt m p_hat_eb p_hat_eb var_p_hat_eb; ed;

53 Lampra 37 Lampra 5 : Programa SAS utuk perhtuga peduga jackkfe proc ml; optos ps50; /* PROGRAM CREATE BY SLAMET ABADI */ /* PENDUGAAN DENGAN METODE MOMENT KLEINMAN 973 */ load _all_; use data3; read all; m(r); (); (); T[]; p/; w/t; mrow(); pw#p; p_hatp[]; spw#(p-p_hat)##; sum_spsp[]; (##)/T; sum_t[]; k(t#sum_sp)-p_hat*(-p_hat)*(m-); kp_hat*(-p_hat)*(t-sum_t-(m-)); kk/k; alphap_hat*(-k)/k; betaalpha*(/p_hat-); /* prt alpha ; prt beta; */ /* PERHITUNGAN PENDUGA PROPORSI DAN RAGAM EMPERICAL BAYES */ gamma/(alphabeta); p_hat_ebgamma#p(-gamma)#p_hat;

54 Lampra 38 Lajuta k(alpha)#(-beta); k(alphabeta)#(alphabeta)##; var_p_hat_ebk/k; /* prt p_hat_eb; prt var_p_hat_eb ; */ /* PERHITUNGAN ITERASI ALPHA DAN BETA */ do r to m; f r the sub_r(:m)`; f (<r&r<m) the sub_r((:(r-)) ((r):m))`; f rm the sub_r(:(m-))`; /* */ p_hat_eb_k p_hat_eb[sub_r]; var_p_hat_eb_k var_p_hat_eb[sub_r]; _l[sub_r]; _l[sub_r]; T_l_l[]; p_l_l/_l; w_l/t_l; mrow(_l); p_lw#p_l; p_hat_lp_l[]; sp_lw#(p_l-p_hat_l)##; sum_sp_lsp_l[]; _l(_l##)/t_l; sum_t_l_l[]; k(t_l#sum_sp_l)-p_hat_l*(-p_hat_l)*(m-); kp_hat_l*(-p_hat_l)*(t_l-sum_t_l-(m-)); kk/k; alpha_lp_hat_l*(-k)/k; beta_lalpha_l*(/p_hat_l-); alpha_ter(alpha_ter//alpha_l) ; beta_ter(beta_ter//beta_l) ;

55 Lampra 39 Lajuta ed; /* prt p_hat_eb_k ; prt alpha_ter ; prt beta_ter ; */ /* PERHITUNGAN ITERASI M da M */ do r to m; f r the sub_r()`; f (<r&r<m) the sub_r(r)`; f rm the sub_r(m)`; sub[sub_r]; sub[sub_r]; ksubvar_p_hat_eb[sub_r]; lrepeat(subm); lrepeat(subm); klrepeat(ksubm); /* PERHITUNGAN M */ k(lalpha_ter)#(l-lbeta_ter); k(lalpha_terbeta_ter)#(lalpha_terbeta_ ter)##; glk/k; dffgl-kl; ed; sum_dffdff[]; sum_dff_ter(sum_dff_ter//sum_dff) ; ksubvar_p_hat_eb[sub_r]; klrepeat(ksubm); kl_ter(kl_ter kl); ssubp_hat_eb[sub_r]; slrepeat(ssubm); sl_ter(sl_ter sl); mvar_p_hat_eb-(m-)/m*sum_dff_ter;

56 Lampra 40 Lajuta /* prt m ; */ /* PERHITUNGAN M */ do s to m; ed; alpha_lalpha_ter[s]; beta_lbeta_ter[s]; ralpharepeat(alpha_l56); rbetarepeat(beta_l56); k3ralpha; k3ralpharbeta; p_eb_lk3/k3; gabug(gabug p_eb_l) ; xgabug`; xl(gabug`-sl_ter)##; sumxxl[]; sumx_tras sumx`; m (m-)/m#sumx_tras ; mse_j mm; /* prt m ; prt m ; */ prt mse_j ; ed;

57 Lampra 6 : Hasl perhtuga Dugaa propors Rumah Tagga Msk d kota Bekas Lampra 4 No Nama Peduga No Nama Peduga Kel. Keluraha Lagsug Stetk EB Kel. Keluraha Lagsug Stetk EB JATIMAKMUR MARGAHAYU JATIWARINGIN BEKASI JAYA JATIBENING DUREN JAYA JATICEMPAKA AREN JAYA JATIBARU BOJONG MENTENG JATIKARYA BOJONG RAWALUMBU JATISAMPURNA SEPANJANG JAYA JATIRANGGA PENGASINAN JATIRANGGON JAKA MULYA JATIRADEN JAKA SETIA JATIMURNI PEKAYON JAYA JATIMELATI MARGA JAYA JATIWARNA KAYURINGIN JAYA JATIRAHAYU BINTARA JAYA JATISARI BINTARA JATILUHUR KRANJI JATIRASA KOTA BARU JATIASIH JAKA SAMPURNA JATIMEKAR HARAPAN MULYA

58 Lampra 4 Lajuta 0 JATIKRAMAT KALI BARU CIKETINGUDIK MEDAN SATRIA SUMUR BATU PEJUANG CIKIWUL HARAPAN JAYA BANTARGEBANG KALIABANG TENGAH PADURENAN PERWIRA CIMUNING HARAPAN BARU MUSTIKAJAYA TELUK PUCUNG MUSTIKASARI MARGA MULYA

59 Lampra 43 Lampra 7 : Hasl perhtuga ragam dega metode lagsug Baes emperk Jackkfe da Bootstrap No Nama Peduga Peduga Tak Lagsug No Nama Peduga Peduga Tak Lagsug Kel. Keluraha Lagsug Naïve Jackkfe Bootstrap Kel. Keluraha Lagsug Naïve Jackkfe Bootstrap JATIMAKMUR MARGAHAYU JATIWARINGIN BEKASI JAYA JATIBENING DUREN JAYA JATICEMPAKA AREN JAYA JATIBARU B. MENTENG JATIKARYA B. RAWALUMBU JATISAMPURNA S. JAYA JATIRANGGA PENGASINAN JATIRANGGON JAKA MULYA JATIRADEN JAKA SETIA JATIMURNI PEKAYON JAYA JATIMELATI MARGA JAYA JATIWARNA K. JAYA JATIRAHAYU BINTARA JAYA JATISARI BINTARA JATILUHUR KRANJI JATIRASA KOTA BARU JATIASIH J. SAMPURNA JATIMEKAR H. MULYA

60 Lampra 44 Lajuta 0 JATIKRAMAT KALI BARU CIKETINGUDIK MEDAN SATRIA SUMUR BATU PEJUANG CIKIWUL HARAPAN JAYA BANTARGEBANG K. TENGAH PADURENAN PERWIRA CIMUNING HARAPAN BARU MUSTIKAJAYA TELUK PUCUNG MUSTIKASARI MARGA MULYA

= R. iid. Peubah acak yang diamati adalah y ( y,..., y ) T = j yij. i ~ i i

= R. iid. Peubah acak yang diamati adalah y ( y,..., y ) T = j yij. i ~ i i L A M P I R A N Lampra 6 Lampra : Sfat-sfat Sebara Beta-Bomal.. Fugs Peluag msalka Meurut Cassela da Berger (990) suatu fugs dar peuba Y f dsebut sebaga fugs kepekata peluag atau fugs massa peluag apabla

Lebih terperinci

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil 4 INJAUAN PUSAKA Kosep Dasar Pedugaa Area Kec Secara uu etode pedugaa area kec dbag ejad dua baga atu etode peduga agsug (drect estato da etode peduga tak agsug (drect estato. etode-etode pedugaa seaa

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN 14 HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Berdasarkan data dari Dinas Kependudukan dan Catatan Sipil Kota Bekasi bahwa jumlah rumah tangga sebanyak 428,980 dengan jumlah anggota rumah tangga

Lebih terperinci

Lampiran 1. Hirarki Wilayah Kota Bekasi Tahun 2003

Lampiran 1. Hirarki Wilayah Kota Bekasi Tahun 2003 LAMPIRAN 70 Lampiran 1. Hirarki Wilayah Kota Bekasi Tahun 2003 Jumlah Jumlah Jenis Hirarki Bekasi Timur Margahayu 353 24 Hirarki 1 Medan Satria Medan Satria 959 23 Hirarki 1 Pondokgede Jatirahayu 557 23

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

Small Area Estimation dengan Pendekatan Empirical Bayes Berbasis Model Beta-Binomial Untuk Estimasi Angka Pengangguran di Kabupaten Sumba Timur

Small Area Estimation dengan Pendekatan Empirical Bayes Berbasis Model Beta-Binomial Untuk Estimasi Angka Pengangguran di Kabupaten Sumba Timur SEMINAR NASIONAL EKNOLOGI 015 Isttut ekolog Nasoal Malag ISSN: 407 7534 Small Area Estmato dega Pedekata Emprcal ayes erbass Model eta-omal Utuk Estmas Agka Pegaggura d Kabupate Sumba mur Lamatur Herbertus

Lebih terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da

Lebih terperinci

Lampiran 1. Hasil Analisis Skalogram Tahun 2003

Lampiran 1. Hasil Analisis Skalogram Tahun 2003 LAMPIRAN 72 Lampiran 1. Hasil Analisis Skalogram Tahun 2003 Kecamatan Kelurahan/Desa Penduduk fasilitas Pendidikan Ekonomi Kesehatan Sosial Jenis PONDOKGEDE JATIRAHAYU 45675 40 398 61 58 1056 23 Hirarki

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

PENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS

PENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PEASIR RATIO-UM-PRODUT AG EFISIE UTU RATA-RATA POPULASI PADA SAMPLIG AA SEDERHAA MEGGUAA OEFISIE VARIASI DA OEFISIE URTOSIS Lza armata *, Arsma Ada, Frdaus Mahasswa Program S Matematka Dose Jurusa Matematka

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENERAPAN METODE BAYES EMPIRIK PADA PENDUGAAN AREA KECIL UNTUK KASUS BINER (Stud tetag Proors Status Keemlka Kartu Sehat d Kota Yogyakarta) 1 Ksmat Jurusa Peddka Matematka FMIPA Uverstas Neger Yogyakarta

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

Pengajar: Dr. Agus M Soleh

Pengajar: Dr. Agus M Soleh Pegajar: Dr. Agus M Soleh Surve percobaa populato sample hmpua semua objek ag mejad mat pegambla kesmpula hmpua baga dar populas melakuka pegamata terhadap seluruh populas sergkal tdak mugk dlakuka ketka

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB METODE PENELTAN 3.1 Tempat da Waktu Peelta Peelta dlaksaaka d areal/wlaah koses huta PT. Sarmeto Parakata Tmber, Kalmata Tegah pada bula Aprl sampa dega Me 007. 3. Baha da Alat Baha ag dguaka utuk

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

KETUA PENGADILAN AGAMA BEKASI. SURAT KEPUTUSAN Nomor: W10-A19/090/SK/HK.05/I/2016

KETUA PENGADILAN AGAMA BEKASI. SURAT KEPUTUSAN Nomor: W10-A19/090/SK/HK.05/I/2016 KETUA PENGADILAN AGAMA BEKASI SURAT KEPUTUSAN Nomor: W10-A19/090/SK/HK.05/I/2016 TENTANG PANJAR BIAYA PERKARA TINGKAT PERTAMA, BANDING, KASASI, PENINJAUAN KEMBALI (PK), SITA JAMINAN (CB) DAN PEMERIKSAAN

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

NO INSTANSI / SKPD ALAMAT KODE POS TELEPON EXT. FAX

NO INSTANSI / SKPD ALAMAT KODE POS TELEPON EXT. FAX NO INSTANSI / SKPD ALAMAT KODE POS TELEPON EXT. FAX Walikota Wakil Walikota Sekretariat DPRD Staf Ahli Walikota 5 Sekretaris Daerah 6 Asda (Asisten Pemerintahan) 7 Asda (Asisten Pembangunan dan Kemasyarakatan)

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA 1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

LEMBARAN DAERAH KOTA BEKASI NOMOR : 2 SERI : D PERATURAN DAERAH KOTA BEKASI NOMOR 02 TAHUN 2002 TENTANG PENETAPAN KELURAHAN

LEMBARAN DAERAH KOTA BEKASI NOMOR : 2 SERI : D PERATURAN DAERAH KOTA BEKASI NOMOR 02 TAHUN 2002 TENTANG PENETAPAN KELURAHAN LEMBARAN DAERAH KOTA BEKASI NOMOR : 2 SERI : D PERATURAN DAERAH KOTA BEKASI NOMOR 02 TAHUN 2002 TENTANG PENETAPAN KELURAHAN DENGAN RAHMAT TUHAN YANG MAHA ESA WALIKOTA BEKASI Menimbang : a. bahwa untuk

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci